Video: Stunt-skuespillere kan erstattes av denne A.I. Teknologi en dag snart

Et nytt kunstig intelligenssystem har utviklet computer-animerte stuntmenn som kan gjøre actionfilmer kjøligere enn noensinne. Forskere ved University of California, Berkeley, har utviklet et system som er i stand til å gjenskape noen av de slickest trekkene i kampsport, med potensial til å erstatte virkelige menneskelige skuespillere.

UC Berkeley kandidatstudent Xue Bin 'Jason' Peng sier teknologien resulterer i bevegelser som er tøffe å skille fra mennesker.

"Dette er faktisk et ganske stort skritt fra det som har blitt gjort med dyp læring og animasjon," sa Peng i en uttalelse som ble utgitt med sin forskning som ble presentert på 2018 SIGGRAPH konferansen i august i Vancouver, Canada i august. "Tidligere har mye arbeid gått i å simulere naturlige bevegelser, men disse fysikkbaserte metodene har en tendens til å være veldig spesialisert; de er ikke generelle metoder som kan håndtere et stort utvalg av ferdigheter.

"Hvis du sammenligner våre resultater med bevegelsesopptak registrert fra mennesker, kommer vi til det punktet der det er ganske vanskelig å skille de to, for å fortelle hva som er simulering og hva som er ekte. Vi beveger oss mot en virtuell stuntmann."

Et papir på prosjektet, kalt DeepMimic, ble utgitt i tidsskriftet ACM Trans. Kurve i august. I september laget teamet sin kode- og bevegelsesoppfangingsdata på GitHub for andre å prøve.

Laget brukte dypforsterkende læringsteknikker for å lære systemet å bevege seg. Det tok bevegelsesfangstdata fra virkelige livsforestillinger, matet dem inn i systemet og satte det til å øve bevegelsene i en simulering for tilsvarende en hel måned, trening 24 timer i døgnet. DeepMimic lærte 25 forskjellige trekk som kicking og backflips, sammenligne resultatene hver gang for å se hvor nært det kom til de originale mocap-dataene.

I motsetning til andre systemer som kanskje har forsøkt og mislyktes gjentatte ganger, brøt DeepMimic ned trekk i trinn, så hvis det mislyktes på et tidspunkt, kunne det analysere ytelsen og justere på riktig tidspunkt tilsvarende.

"Da disse teknikkene utvikler seg, tror jeg at de vil begynne å spille en større og større rolle i filmer," forteller Peng Omvendt. "Men siden filmer vanligvis ikke er interaktive, kan disse simuleringsteknikker ha mer umiddelbar innvirkning på spill og VR.

"Faktisk er simulert karakter trent med armeringslæring allerede i ferd med å finne frem til spill. Indiespill kan være en veldig fin testmulighet for disse ideene. Men det kan ta litt tid før de er klar for AAA-titler, siden man jobber med simulerte figurer, krever det et ganske drastisk skifte fra tradisjonelle utviklingsrørledninger."

Spillutviklere begynner å eksperimentere med disse verktøyene. En utvikler klarte å bruke DeepMimic inne i Unity-spillmotor:

Damer og herrer, vi har fullført Backflip! Gratulerer med Ringo, aka StyleTransfer002.144 - bruker # unity3d + #MLAgents & #MarathonEnvs. StyleTransfer trener en #ActiveRagoll fra MoCap data aka Deepmimic http://t.co/gAGtYYeawE … #madewithunity pic.twitter.com/3iIoDsfdLe

- Joe Booth (@iAmVidyaGamer) 1. november 2018

Peng er håpfull at utgivelsen av koden vil øke sin adopsjon. Han noterer også at laget har "snakket med en rekke spillutviklere og animasjonsstudier om mulige bruksområder av dette arbeidet, selv om jeg ikke kan gå inn i for mye informasjon om det ennå."

Maskiner kjører regelmessig med komplekse bevegelser, som demonstrert av roboter som spiller fotball som tøft tverr over gresset i stedet for å fullføre noen høyoktanbevegelser. Det er tegn på fremgang, som A.I. får tak i kompleksiteten i virkelige bevegelser og begynner å korrigere seg mer som mennesker.

Kanskje DeepMimic kunne en dag lære et nytt trekk i sekunder, ligner på hvordan Neo lærer kung fu i Matrisen.

Les abstrakt nedenfor.

Et langvarig mål i karakter animasjon er å kombinere data-drevet spesifikasjon av atferd med et system som kan utføre en lignende oppførsel i en fysisk simulering, og dermed muliggjøre realistiske svar på forstyrrelser og miljøvariasjoner. Vi viser at velkjente metoder for forsterkningslæring (RL) kan tilpasses for å lære robuste kontrollpolitikker som er i stand til å etterligne et bredt spekter av eksempelbevegelsesklemmer, samtidig som de lærer komplekse utvinninger, tilpasser seg endringer i morfologi og oppnår brukerdefinerte mål. Vår metode håndterer keyframed bevegelser, høydynamiske handlinger som bevegelsesfangst flips og spinn og retargette bevegelser. Ved å kombinere et bevegelsesimitasjonsmål med et oppgavemål, kan vi trene tegn som reagerer intelligent i interaktive innstillinger, for eksempel ved å gå i ønsket retning eller kaste en ball i et brukerdefinert mål. Denne tilnærmingen kombinerer dermed bekvemmelighet og bevegelseskvalitet ved å bruke bevegelsesklemmer for å definere ønsket stil og utseende, med fleksibilitet og allsidighet som RL-metoder og fysikkbasert animasjon gir. Vi undersøker videre en rekke metoder for å integrere flere klip i læringsprosessen for å utvikle multi-skilled agenter som er i stand til å utføre et rikt repertoar med ulike ferdigheter. Vi demonstrerer resultater ved hjelp av flere tegn (menneske, Atlas robot, bipedal dinosaur, drage) og et stort utvalg av ferdigheter, inkludert lokomotion, akrobatikk og kampsport.